Ricampionamento e classificazione

Ricampionamento

Utilizzando la funzione di ENVI® Layer Stacking è possibile costruire un nuovo file multibanda da immagini georeferenziate, variando la risoluzione spaziale (dimensione del pixel), estensione e proiezione della scena. Le dimensioni dei

155

pixel delle bande di ingresso vengono ricampionate e riproiettate su un datum comune di output selezionato dall'utente. Il file di output avrà un estensione geografica che potrà comprende:

o tutte le estensioni dei files di input;

o solo le estensioni in cui i dati dei files si sovrappongono.

Ciò che si vuole ottenere è quindi un’immagine multibanda con risoluzione geometrica a 15 m del VNIR anche sulle bande dell’IR termico.

Il comando Layer Stacking consente di sovrapporre anche livelli ottenuti da operazioni algebriche tra bande con il comando Band Math.

La funzione Band Math di ENVI® è un flessibile strumento di elaborazione delle immagini con molte funzionalità generalmente non disponibili in altri sistema di elaborazione di immagini. È possibile utilizzare il Tool Band Math definendo bande spettrali o file in input, scrivendo il risultato in un file o nella memoria di ENVI®. I dati di input spaziano dai file alle bande spettrali alle variabili di banda (es. emissività).

Figura 66: il diagramma rappresenta la somma algebrica di 3 bande. Il risultato in output è anch'esso un'immagine.

Con il Band Math si sono estratti due indici di vegetazione: o NDVI - Normalized Difference Vegetation Index

156 o SR – Simple Ratio

dove: b3N= banda 3 ASTER in presa nadirale (N); b2 = banda 2 ASTER.

Le due immagini così ottenute aiutano l’analista a distinguere la vegetazione. E’ da sottolineare che nel caso in esame, in mancanza delle 6 bande dello SWIR si è utilizzata la banda 3 nadirale che sostituisce l’immagine di radianza nell’infrarosso.

Con questa procedura, si aggiungono grazie al Layer Stacking anche due immagini al “pacchetto” multibanda derivate da operazioni algebriche che in qualche modo sopperiscono all’assenza delle 6 bande dello SWIR.

Figura 67: a sinistra NDVI image, a destra SR image.

A questo punto, dopo aver applicato la correzione atmosferica alle 5 bande del TIR per determinare la radianza alla superficie, considerando la combinazione Max Hit sulla retta di regressione e Top of Bins nell’interpolazione dei punti, si effettua la sovrapposizione dei livelli.

157

La nuova immagine multibanda è dunque caratterizzata da una risoluzione geometrica ai 15 m su ciascuna banda, georeferenziata su WGS84 e ritagliata su di una scena di 30 km quadri sull’area urbana ed extra - urbana di Bologna.

Definizione delle ROIs

Si è scelto di definire 5 differenti coperture rappresentative:

Roof tile (Mattone rosso) Concrete Ceiling (Calcestruzzo liscio)

Bare Soil Vegetation

Water

Le ROIs sono state costruite su immagini in falso colore sulla base delle tecniche di image enhancement, intervenendo solo sulla combinazione RGB per migliorare l’interpretazione visiva. In particolare si sono usate:

Figura 68: a sinistra immagine falso colore nelle combinazioni NDVI(R)-band3N(G)-band2(B), a destra la combinazione band3N(R)-band2(G)-band1(B).

158

I training site per la classificazione sono stati scelti accuratamente, a più riprese, cercando di includere un numero sufficiente di pixel in modo da considerare la grande variabilità dei valori di DN (digital number) per ciascuna classe.

Una limitata dispersione attorno al valor medio di DN per ciascuna banda è indice di bontà nella scelta della ROI.

Si è trovato un giusto rapporto di pixel per classe, attestato sugli 8.000 – 10.000 pixel per le classi Roof tile e Bare Soil; aumentando il campionamento si è presentato un effetto peggiorativo dei risultati della classificazione stimati in post processing.

Figura 69: statistiche sulle 3 bande del VNIR e visualizzazione delle ROIs sull’immagine grazie al ROI Tool.

La classe Water presenta pochi pixel di definizione della ROI, essendo l’acqua un elemento non rilevante nell’immagine, visto il periodo siccitoso dell’anno.

Questo ha portato alcuni problemi in fase di classificazione.

Classificazione dell’immagine

Per la classificazione si è privilegiato l’algoritmo Maximum Likelihood Classification. La classificazione a massima verosimiglianza presuppone una distribuzione normale delle statistiche di ciascuna classe, in ogni banda, e per

159

ciascuna di queste calcola la probabilità che un dato pixel appartenga ad una classe specifica. A meno che non si selezioni una soglia di probabilità, tutti i pixel sono classificati, e questo riveste un ruolo fondamentale nella generazione di maschere. Ogni pixel è assegnato alla classe cui è associata la più alta probabilità. La presenza di una ROI poco numerosa per la classe water ha mostrato una tendenza a classificare la maggior parte dei pixel con alti valori di DN (scuri) come acqua, in maniera erronea.

Questo ha portato all’esclusione di tale classe, non ritenendola comunque indispensabile ai fini del risultato da perseguirsi.

Il risultato della classificazione, valutato in post processamento grazie alla funzione di ENVI® confusion matrix è accettabile, come si può vedere dalle immagini sottostanti:

Figura 70: confronto tra immagine a falsi colori ed immagine classificata

Il Tool di post classificazione in ENVI® consente di classificare le rules images, di calcolare le statistiche per ciascuna classe ed estrarre la matrice di confusione, di applicare la minority/majority analysis alle immagini classificate, di raggruppare, setacciare e combinare pixel di differenti classi tra loro, di calcolare le segmentation images e di estrarre automaticamente i layer vettoriali.

160

La matrice di confusione è lo strumento principale di analisi dei risultati di una classificazione. ENVI® può calcolare una matrice di confusione (o matrice di contingenza) utilizzando una immagine di verità a terra (ground true image) oppure le ground true ROIs. In ogni caso, il prodotto dell’analisi, è una valutazione di accuratezza totale in percentuale, il coefficiente kappa, le precisioni user and producer (utente e produttore), la matrice di confusione ed il valore degli errori di commissione e di omissione.

Sotto è riportato il file di testo contenente i risultati ottenuti implementando la funzione:

Classification ~ Post Classification ~ Confusion Matrix ~ Using Ground Truth Image

Figura 71: output del comando confusion matrix

In letteratura il valore del coefficiente kappa associato ad una buona classificazione si attesta sul valore di 0,70 – 0.75; considerando l’assenza delle immagini nelle bande dell’infrarosso medio, il risultato della classificazione può considerarsi soddisfacente.

161